文章列表-AI魔法学院

文章列表

LlamaIndex的QueryPipeline在实现RAG应用后，Agent应用也可以实现了（附开发示例）

在这个例子中，定义了一个函数组件来格式化 ReAct 提示。

Agent QueryPipeline 大模型

深度解析ElasticSearch同义词管理：打造更智能的搜索体验

假设用户在搜索 “土豆”，而数据库中的记录使用了 “马铃薯”： o• 未配置同义词：ElasticSearch只能严格匹配“土豆”，可能会返回空结果。

ElasticSearch 智能搜索

2024！深入了解大语言模型（LLM）微调方法（总结）

接下来将为您介绍大模型微调具体流程，如下图所示：「1、数据准备」有许多开源数据集可以提供关于用户行为和偏好的洞察，即使它们没有直接格式化为指令性数据。

大模型微调

AI Agent新对决：LangGraph与AutoGen的技术角力

ensp; 1.诞生背景 Chain（链）是LangChain中最核心的概念之一，简单的说，就是把自然语言输入、关联知识检索、Prompt组装、可用Tools信息、大模型调用、输出格式化等这些

LangGraph AutoGen 对决

知识树：一个方法，教你构建「终身知识体系」

④ 核裂变效应巨人查理·芒格有个牛皮的模型，叫做lollapalooza效应。

大模型

被低估的面壁：打造出不输 OpenAI 的 Scaling Law 曲线

了解 MiniCPM 2B 详情信息可点击：https://github.com/OpenBMB/MiniCPM 更需要格外注意的是：面壁训练小模型，并不单单是为了“训练小模型”、放弃角逐 AGI；恰恰相反

Grok-1 开源模型

深入解析 Mistral AI 的 Mixtral 8x7B 开源MoE大模型

Mixtral 8x7B 的技术规格展示了其精心打造的模型结构、高效的 GPU 使用策略，以及对各种部署环境的灵活适应。

开源模型 Mixtral 8x7B

我为什么不看好大模型行业

对未来抱有乐观预期的投资人或管理者会有下面几个理由，我一一回应：第一，很多人带着消费互联网的烙印，期盼一个赢家通吃的格局，现在先烧钱，未来一定会棒棒的。

大模型

【一步一步引导】从零详细地梳理一个完整的 LLM 训练流程

例如：因为训练大多来自互联网中的数据，我们无法保证数据中只存在存在规范的「一问一答」格式，这就会造成预训练模型通常无法直接给出人们想要的答案。

大模型训练

微信向量检索分析一体化数仓探索：OLAP For Embedding

sec 部分调优思路：训练数据加工： user embedding 生成后，为了支持后续召回，需要将 user embedding 与 item embedding 进行关联，格式化处理

OLAP For Embedding 一体化数仓

FaceFusion参数详解

用法: --video-memory-strategy 默认值: strict，可选这些值： strict （严格） moderate （中等） tolerant （宽容）比如

FaceFusion 文生图

PostgreSQL的三位一体——在大模型应用中结合关系型、向量和时间序列数据

create_node(row) for _, row in df.iterrows()] Note: 上面的代码引用了两个辅助函数来获得正确格式的内容

大模型 PostgreSQL

混合专家模型 (MoE) 详解

ST-MoE 论文中显示了哪些令牌组被发送给了哪个专家的表格专家的数量对预训练有何影响？

MoE大模型

Prompt工程如此强大，我们还需要模型训练吗？

做个实验：首先把模型能够正确回答的第一个例子作为提示词输入，查看能否顺利推理出第二个问题： Few-shot的编写格式：当需要输入多段问答作为提示词时，以Q作为问题的开头、A作为回答的开头（也可以换成

大模型

<...55 56 57 58 59 60 61 62 6364>

汇聚AI资讯，网罗AI文档，详解AI工具！

关于我们用户协议隐私条款商务合作：skillupvip

© 2023-2025 AI魔法学院

京ICP备20027199号-1